本文分享自华为云社区《Bokeh图形魔法：掌握绘图基础与高级技巧，定制炫目可视化》，作者： 柠檬味拥抱。
Bokeh 是一个用于创建交互式可视化图形的强大 Python 库。它不仅易于使用，而且功能强大，适用于各种数据可视化需求。本文将介绍 Bokeh 库的绘图可视化基础入门，重点说明常用的参数，并通过实例演示如何在实际项目中应用这些技术。
安装 Bokeh 库
首先，确保你已经安装了 Bokeh 库。如果没有安装，可以使用以下命令进行安装：
Bokeh 绘图基础
Bokeh 支持多种图形类型，包括散点图、线图、柱状图等。在绘制这些图形时，我们需要关注一些重要的参数。
基础图形绘制
首先，我们来看一个简单的例子，绘制一个散点图：
from bokeh.plotting import figure, showfrom bokeh.io import output_notebook
# 准备数据x = [1, 2, 3, 4, 5]y = [6, 7, 2, 4, 5]
# 创建绘图对象p = figure(title="简单散点图", x_axis_label='X轴', y_axis_label='Y轴')
# 绘制散点图p.circle(x, y, size=10, color="navy", alpha=0.5)
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在上述代码中，我们使用figure函数创建了一个绘图对象，并使用circle方法绘制了一个散点图。size参数控制点的大小，color参数定义颜色，alpha参数设置透明度。
完善图形
除了基本的绘图，Bokeh 还支持添加轴标签、图例等元素，使图形更加完整。以下是一个例子：
# 添加轴标签p.xaxis.axis_label_standoff = 15p.yaxis.axis_label_standoff = 15
# 添加图例p.legend.label_text_font_size = "12pt"p.legend.location = "top_left"
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
通过以上代码，我们在图形上方添加了 X 轴和 Y 轴的标签，并在左上角添加了图例。
实例演示
让我们通过一个实际案例，展示如何使用 Bokeh 进行更复杂的可视化。
案例：股票走势图
import yfinance as yf
# 获取股票数据stock_data = yf.download("AAPL", start="2023-01-01", end="2024-01-01")
# 创建绘图对象p = figure(title="AAPL股票走势", x_axis_label='日期', y_axis_label='股价（美元）', x_axis_type="datetime")
# 绘制线图p.line(stock_data.index, stock_data['Close'], line_width=2, color="orange", legend_label="收盘价")
# 添加图例和轴标签p.legend.location = "top_left"p.xaxis.axis_label_standoff = 15p.yaxis.axis_label_standoff = 15
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在这个例子中，我们使用了yfinance库获取了苹果公司（AAPL）股票在指定日期范围内的数据，并使用 Bokeh 绘制了股票的收盘价走势图。
Bokeh 库高级功能探索
在了解了 Bokeh 的基础绘图技术后，我们将深入探讨一些高级功能，使得你能够更灵活、更创造性地进行数据可视化。
1. 工具栏和交互性
Bokeh 提供了丰富的工具栏，可以让用户与图形进行交互。下面是一个包含工具栏的例子：
from bokeh.models import HoverTool
# 创建绘图对象p = figure(title="交互式散点图", x_axis_label='X轴', y_axis_label='Y轴', tools="pan,box_zoom,reset,save")
# 添加悬停工具hover = HoverTool(tooltips=[("数值", "@x, @y")])p.add_tools(hover)
# 绘制散点图p.circle(x, y, size=10, color="navy", alpha=0.5)
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在上述例子中，我们通过tools参数添加了平移、缩放、重置和保存工具，并使用HoverTool添加了悬停提示。
2. 高级图形元素
Bokeh 支持绘制一些高级图形元素，例如矩形、椭圆等。以下是一个绘制矩形和椭圆的例子：
# 创建绘图对象p = figure(title="矩形和椭圆示例", x_axis_label='X轴', y_axis_label='Y轴')
# 绘制矩形p.rect(x=[1, 2, 3], y=[4, 5, 6], width=0.2, height=0.2, color="green", alpha=0.7)
# 绘制椭圆p.ellipse(x=[4, 5, 6], y=[7, 8, 9], width=0.2, height=0.1, color="blue", alpha=0.7)
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
3. 数据链接和动态更新
Bokeh 允许你动态地更新图形，可以根据用户的输入或外部事件来实现。以下是一个简单的例子，演示如何通过滑块动态更新散点图：
from bokeh.models import Sliderfrom bokeh.layouts import column
# 创建绘图对象p = figure(title="动态散点图", x_axis_label='X轴', y_axis_label='Y轴')
# 创建滑块slider = Slider(start=1, end=10, step=1, value=1, title="选择散点大小")
# 回调函数，根据滑块值更新散点大小def update_size(attr, old, new): p.circle(x, y, size=new, color="navy", alpha=0.5)
slider.on_change('value', update_size)
# 将图形和滑块组合在一起layout = column(p, slider)
# 在Jupyter Notebook中显示图形output_notebook()show(layout)
复制代码
在这个例子中，滑块的值变化时，通过回调函数更新了散点的大小，实现了动态更新效果。，你可以创建出更具吸引力和实用性的可视化图形，更好地展示和解释数据。继续探索 Bokeh 的文档和示例，发挥其潜力，提升你的数据可视化技能。
Bokeh 库与其他库的整合
Bokeh 可以与其他 Python 库无缝整合，进一步拓展其功能。在本节中，我们将介绍 Bokeh 与 Pandas、Matplotlib 等库的整合，以及如何在 Web 应用中使用 Bokeh。
1. 与 Pandas 整合
Pandas 是一个强大的数据分析库，而 Bokeh 可以轻松地与 Pandas 进行整合，实现更便捷的数据可视化。
import pandas as pd
# 创建一个Pandas DataFramedata = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5]})
# 使用Bokeh绘制散点图p = figure(title="Pandas整合示例", x_axis_label='X轴', y_axis_label='Y轴')p.circle('x', 'y', size=10, color="navy", alpha=0.5, source=data)
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在这个例子中，我们创建了一个 Pandas DataFrame，并使用 Bokeh 的circle函数绘制了散点图，其中的数据直接来自于 DataFrame。
2. 与 Matplotlib 整合
如果你已经熟悉 Matplotlib，并且希望结合 Bokeh 的交互性和 Matplotlib 的绘图功能，你可以使用bokeh.plotting的from_bokeh函数将 Bokeh 图形转换为 Matplotlib 图形。
from bokeh.plotting import figure, showfrom bokeh.io import output_notebookfrom bokeh.plotting import from_bokeh
# 创建Bokeh绘图对象p = figure(title="Bokeh与Matplotlib整合示例", x_axis_label='X轴', y_axis_label='Y轴')p.circle([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], size=10, color="navy", alpha=0.5)
# 在Jupyter Notebook中显示Bokeh图形output_notebook()show(p)
# 转换为Matplotlib图形mpl_fig = from_bokeh(p)
# 在Matplotlib中显示图形import matplotlib.pyplot as pltplt.show(mpl_fig)
复制代码
这样，你可以在使用 Bokeh 的同时，充分利用 Matplotlib 的丰富绘图功能。
3. 在 Web 应用中使用 Bokeh
Bokeh 提供了bokeh.server模块，使得你能够将 Bokeh 图形嵌入到 Web 应用中。这样，你可以创建交互式、动态的可视化应用。
from bokeh.models import ColumnDataSourcefrom bokeh.models.widgets import Sliderfrom bokeh.layouts import columnfrom bokeh.io import curdoc
# 创建绘图对象和数据源source = ColumnDataSource(data={'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5]})p = figure(title="动态散点图", x_axis_label='X轴', y_axis_label='Y轴')p.circle('x', 'y', size=10, color="navy", alpha=0.5, source=source)
# 创建滑块和回调函数slider = Slider(start=1, end=10, step=1, value=1, title="选择散点大小")
def update_size(attr, old, new): source.data = {'x': [1, 2, 3, 4, 5], 'y': [6, 7, 2, 4, 5], 'size': [new]*5}
slider.on_change('value', update_size)
# 将图形和滑块组合在一起layout = column(p, slider)
# 将布局添加到文档curdoc().add_root(layout)
复制代码
通过上述代码，你可以使用 Bokeh 创建一个交互式 Web 应用。运行此脚本后，可以通过访问http://localhost:5006/在本地查看应用。
Bokeh 库的主题和样式定制
Bokeh 不仅提供了丰富的绘图功能，还允许用户根据需求自定义图形的主题和样式，以便更好地与项目风格或品牌一致。在本节中，我们将学习如何定制 Bokeh 图形的主题和样式。
1. 主题定制
Bokeh 提供了一系列内置主题，用户可以轻松切换以改变图形的整体外观。以下是一个主题定制的简单例子：
from bokeh.themes import built_in_themes
# 创建绘图对象p = figure(title="主题定制示例", x_axis_label='X轴', y_axis_label='Y轴')
# 选择主题p.theme = built_in_themes['dark_minimal']
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在这个例子中，我们选择了内置主题'dark_minimal'，你可以根据实际需求选择其他主题，如'light_minimal'、'caliber'等。
2. 样式定制
Bokeh 还允许用户直接调整图形的样式，包括颜色、线型、字体等。以下是一个简单的样式定制例子：
# 创建绘图对象p = figure(title="样式定制示例", x_axis_label='X轴', y_axis_label='Y轴')
# 绘制线图p.line([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], line_width=2, line_color="green", line_dash="dashed")
# 设置字体样式p.title.text_font = "times"p.title.text_font_style = "italic"
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在这个例子中，我们使用line_color参数设置线的颜色为绿色，使用line_dash参数设置线型为虚线，通过设置title.text_font和title.text_font_style调整标题的字体和样式。
3. 自定义工具提示
Bokeh 允许用户自定义工具提示的内容和样式，以更好地满足项目需求。以下是一个自定义工具提示的例子：
from bokeh.models import HoverTool
# 创建绘图对象p = figure(title="自定义工具提示示例", x_axis_label='X轴', y_axis_label='Y轴')
# 绘制散点图scatter = p.circle([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], size=10, color="navy", alpha=0.5)
# 自定义工具提示hover = HoverTool(tooltips=[("数值", "@x, @y"), ("额外信息", "自定义信息")], renderers=[scatter])p.add_tools(hover)
# 在Jupyter Notebook中显示图形output_notebook()show(p)
复制代码
在这个例子中，我们通过HoverTool的tooltips参数定义了工具提示的内容，并通过renderers参数指定了应用工具提示的图形元素。
总结
Bokeh 库是一个功能强大、灵活且易于使用的 Python 可视化库，适用于各种数据可视化需求。本文从基础入门开始，介绍了 Bokeh 的基本绘图技术，包括散点图、线图、柱状图等，详细说明了常用的参数和实例演示。随后，我们深入探讨了 Bokeh 的高级功能，包括工具栏、交互性、高级图形元素和动态更新，使得读者能够更灵活地进行数据可视化。
进一步地，我们探讨了 Bokeh 库与其他常用库的整合，包括与 Pandas、Matplotlib 的结合，以及在 Web 应用中使用 Bokeh 的方法。这使得 Bokeh 不仅可以独立使用，还可以与其他库协同工作，充分发挥各个库的优势。
最后，我们了解了 Bokeh 库的主题和样式定制，学习了如何选择内置主题、调整样式和自定义工具提示，以便更好地满足个性化的可视化需求。Bokeh 的主题和样式定制功能为用户提供了更多定制化的空间，使得可视化图形更符合项目的整体风格和品牌。
通过本文的内容，读者可以建立起对 Bokeh 库全面的认识，从基础到高级，从整合到定制，为数据科学家和工程师提供了强大的工具，助力更好地理解、展示和传达数据。继续深入学习 Bokeh 的文档和示例，将有助于更加熟练地运用这一强大的可视化工具。
点击关注，第一时间了解华为云新鲜技术~
评论